Prevención y control de riesgos de préstamos online P2p
1. Introducción
En los últimos años, la industria P2P ha experimentado un gran desarrollo, lo que ha afectado en gran medida la mejora del sistema financiero de mi país. llenar el déficit de financiación de las pequeñas y medianas empresas y mejorar el flujo de caja personal es de gran importancia. Sin embargo, con la feroz competencia en la industria, también están surgiendo varios riesgos en la industria P2P. Desde 2016, ha habido muchos esquemas Ponzi, estafadores y otros incidentes relacionados con P2P en mi país. Las cantidades involucradas fueron enormes y el impacto social fue extremadamente malo. En la actualidad, el número de profesionales de la regulación financiera en nuestro país es mucho menor que el de las instituciones financieras, y los poderes poco claros les dificultan el desempeño de sus funciones reales. Con base en estos antecedentes, este artículo intenta utilizar los datos públicos más fácilmente accesibles para establecer un modelo de alerta temprana eficaz, ayudando así a los reguladores a completar una evaluación eficaz y de bajo costo de instituciones financieras masivas.
Li Keqiang, Primer Ministro del Consejo de Estado de la República Popular China, hizo públicamente un llamamiento a la "innovación y emprendimiento masivo" en el Foro de Davos en septiembre de 2014. Junto a la palabra "emprendimiento e innovación de masas" también está la palabra "finanzas por Internet". En la tercera sesión del XII Congreso Nacional del Pueblo, el primer ministro Li Keqiang mencionó públicamente por primera vez las finanzas de Internet. Esta es la primera vez que un departamento gubernamental menciona públicamente la industria financiera de Internet. Desde entonces, la industria de préstamos en línea P2P ha entrado en un período de crecimiento brutal en China. A partir de 2012, el número de nuevas plataformas P2P ha aumentado gradualmente, alcanzando un máximo en 2014-2015, y el mayor número de nuevas plataformas llegó a 256 en el mes más alto. Luego, el número de nuevas plataformas disminuyó gradualmente y el número total de plataformas de préstamos en línea se estabilizó gradualmente a partir de 2017.
Buffett dijo: "No se sabe quién nadará desnudo antes de que baje la marea". A medida que la marea de las finanzas de Internet retroceda, el tono principal de la economía china tendrá forma de L y dinero caliente. Se retirará gradualmente del mercado de préstamos en línea y se reforzarán las políticas de apoyo estatal pertinentes, y el número de plataformas de préstamos en línea problemáticas aumentará gradualmente. En julio de 2015, el peor año, había hasta 171 plataformas problemáticas. Después de eso, el número de plataformas problemáticas comenzó a disminuir gradualmente. Pero desde febrero de 2017, el número de plataformas problemáticas ha ido en aumento. Plataforma de emisión de julio de 20131. Detrás de los datos fríos hay innumerables familias que han quedado destrozadas debido a la desaparición de la plataforma, así como la enorme presión sobre los departamentos de investigación económica de seguridad pública de todo el país para resolver los casos.
Con base en la información pública en Internet, se seleccionaron 13 indicadores como el sistema indicador de alerta temprana de riesgo de la plataforma de red P2P, y se diseñó un modelo de alerta temprana de red neuronal de BP que incluye la capa de entrada, la capa oculta y la capa de salida. establecido. Utilice el software Python para entrenar la red neuronal establecida. Una vez que el error entre el valor de salida esperado y el valor de salida de la muestra se reduce al rango estándar, se establece un modelo de alerta temprana.
En segundo lugar, es necesario establecer un modelo de alerta temprana de riesgos basado en información pública.
Con el rápido desarrollo y aplicación de la tecnología de la información, los estilos de vida de las personas han experimentado enormes cambios. Las finanzas consisten en utilizar cantidades masivas de información para asignar fondos de la manera más eficaz. Con el uso de la información de Internet, la propia industria financiera seguramente experimentará cambios tremendos. En esta revolución, las finanzas ya no son sólo dominio exclusivo de los corredores trajeados de la Bolsa de Nueva York. La tecnología de la información ha superado el umbral de la participación financiera y ahora todos pueden participar en este festín financiero. Al igual que ahora que todo el mundo ha aceptado el uso de Alipay, las etiquetas negativas como "mentiroso", "juego de azar" y "cosecha" desaparecerán gradualmente de las plataformas de préstamos en línea y se convertirán gradualmente en una opción para que las personas administren sus finanzas. Ante los riesgos complejos y en constante cambio de las plataformas de préstamos en línea, es necesario establecer un modelo eficaz de alerta temprana para los riesgos de las plataformas de préstamos en línea.
(1) La necesidad de monitoreo en tiempo real
Los riesgos de las plataformas de préstamos en línea no son estáticos, pero la inspección manual de una gran cantidad de plataformas de préstamos en línea no solo es ineficiente , pero también un gran desperdicio de recursos públicos. Sólo mediante el uso del modelo de alerta temprana de la red podemos monitorear la plataforma de préstamos en línea en tiempo real y completar la investigación temprana de los riesgos de la plataforma con la menor cantidad de mano de obra y recursos materiales.
(2) Necesidad para uso personal
(3) Necesidad
Con la aceleración de la limpieza del mercado en la industria de préstamos en línea de China, algunas plataformas de préstamos en línea tienden a Pesca en aguas turbulentas. En comparación con las típicas empresas de préstamos en línea, la duración es larga y el monto varía mucho. En medio de la ola de plataformas de préstamos en línea en Hangzhou, está claro que muchas empresas solo han estado en línea durante unos meses. Estas empresas se han aprovechado de la actual brecha de alta presión y falta de energía en el departamento de investigación económica y es probable que cambien de arma. Como la cantidad es relativamente pequeña, a los inversores defraudados les resulta más difícil defender sus derechos. Por lo tanto, el uso de este modelo puede alertar rápidamente a nuevas empresas que no tienen muchos registros históricos y cortar de raíz el impulso negativo de esta "guerra de guerrillas fraudulenta".
En tercer lugar, la creación de un sistema de indicadores de alerta temprana de riesgo de préstamos en línea.
(1) Diferencias entre instituciones de préstamos en línea nacionales y extranjeras
En los países occidentales desarrollados, como el Reino Unido y los Estados Unidos, las plataformas P2P son simplemente intermediarios de información pura y no participan en cualquier transacción de préstamo y no proporcionan ninguna compensación por las pérdidas de los inversores. Debido a que los países desarrollados como el Reino Unido y los Estados Unidos tienen sistemas de informes crediticios personales relativamente completos, los inversores pueden ofertar libremente según el estado crediticio del prestatario y la propiedad de la propiedad para determinar la tasa de rendimiento del capital adecuada. Además, países como el Reino Unido tienen políticas y regulaciones regulatorias relativamente completas, y cuentan con departamentos especializados para supervisar el P2P con responsabilidades claras.
Por ejemplo, la Comisión de Bolsa y Valores de los Estados Unidos, la Autoridad de Conducta del Mercado y la Asociación de Finanzas P2P del Reino Unido, políticas estandarizadas y una supervisión completa han controlado eficazmente los riesgos P2P en estos países.
Aunque el sistema de información crediticia se está volviendo popular gradualmente en China, en general, no todo es perfecto. Actualmente, P2P no tiene derecho a interactuar con el sistema de información crediticia nacional, lo que dificulta su comprensión de manera integral y objetiva. exponer los riesgos de los prestatarios. Por lo tanto, los inversores suelen empezar a buscar una plataforma P2P "fiable" y "garantizada". Esto también hace que las plataformas P2P tengan que promover su "garantía", "antecedentes de activos estatales" y "fondo de garantía propio" para aumentar su crédito. Esto convierte a las plataformas P2P en otro tipo de banco, formando un círculo vicioso. Cuando las pequeñas empresas incumplen, las empresas P2P optarán por encubrir el pasado por el bien de la reputación de la propia plataforma y, finalmente, tendrán que huir. En la actualidad, las nuevas regulaciones de gestión de activos de mi país han establecido claramente que llevará algún tiempo romper la situación de pago del fideicomiso, pero que los prestatarios tardarán algún tiempo en perder dinero al aceptar inversiones.
(2) Factores de riesgo de las plataformas de préstamos en línea
Los riesgos de las plataformas de préstamos en línea pueden
Este artículo analiza los riesgos sistémicos y no sistémicos, combinados con Préstamo online Las características de la plataforma descartan los factores de riesgo más representativos.
Los riesgos sistémicos de las plataformas de préstamos en línea incluyen principalmente riesgos políticos, riesgos legales y riesgos del ciclo económico. Durante el período de vacilación, las políticas laxas y las leyes y regulaciones poco sólidas han provocado un aumento en el número de plataformas, una competencia feroz e incluso monedas malas que han desplazado a las buenas. Además, no se puede ignorar el impacto del ciclo económico. A medida que la economía global se enfría y ocurre la antiglobalización, muchas grandes instituciones financieras no pueden respaldar las plataformas de préstamos en línea emergentes. Sin embargo, el objetivo de este artículo es detectar los riesgos corporativos desde una perspectiva micro, por lo que por el momento no se considera el ciclo económico.
Los riesgos no sistemáticos de las plataformas de préstamos en línea incluyen el riesgo crediticio, el riesgo de marca y el riesgo tecnológico. Para conseguir el mayor número de clientes posible, muchas plataformas relajarán deliberadamente las condiciones de los préstamos, lo que ha provocado la entrada de un gran número de estafadores y el comportamiento lucrativo de algunos especuladores. Hay evidencia de que muchas personas que obtuvieron préstamos de la plataforma crearon intencionalmente información negativa sobre la plataforma en línea con la esperanza de no tener que pagar los préstamos después de que la plataforma quebrara. Sin duda, estos comportamientos aumentan enormemente los riesgos de la propia plataforma. Si ocurre un problema técnico y no se puede abrir el sitio web oficial o se retiran los fondos, es fácil tocar los nervios sensibles de los inversores y provocar una corrida.
(3) Establecimiento de indicadores del modelo de alerta temprana
Sin embargo, vale la pena señalar que en la actualidad, cuando las leyes y regulaciones relacionadas con los préstamos en línea aún no están completas, es difícil obtener datos relevantes. obtener y la autenticidad es cuestionable. Por lo tanto, este artículo utiliza el pensamiento de big data, utilizando principalmente información que se puede obtener fácilmente en Internet como indicadores de entrada para el modelo de alerta temprana, y reflejando el nivel de riesgo de una plataforma a través de la lógica no lineal dentro de los indicadores. Una plataforma de préstamos entre pares viciosa e ilegal inevitablemente ampliará su influencia tanto como sea posible y, al mismo tiempo, estará preparada para contrainvestigaciones para obtener suficiente dinero antes de que reaccionen las autoridades reguladoras. Es difícil no dejar rastros de este tipo de comportamiento en línea. Por lo tanto, la introducción de indicadores de información social abierta puede compensar eficazmente las deficiencias y la autenticidad de los datos oficiales y mejorar la credibilidad y eficacia de los modelos de alerta temprana.
En resumen, el sistema de evaluación de riesgos de las plataformas de préstamos en línea se muestra en la Tabla 1, y los datos originales de cada indicador se muestran en la Tabla 2.
Cuarto, el diseño de la red neuronal BP
(1) Descripción general de la red neuronal BP
BP en la red neuronal BP es la abreviatura de propagación hacia atrás, traducida Es retropropagación, por lo que la red neuronal BP también se denomina red neuronal de retropropagación de errores. Fue propuesta por científicos encabezados por Rumelhart y McClelland en 1986. La red neuronal BP utiliza el algoritmo de retropropagación del error y el programa aprende automáticamente el cálculo para minimizar el error, obteniendo así el peso más cercano a la situación real.
La red neuronal BP es un perceptrón multicapa, que es una red neuronal de retroalimentación compuesta por múltiples capas de perceptrón que están completamente conectadas. Totalmente conectado significa que existe una conexión entre cualquier neurona de una capa y cualquier neurona de la capa adyacente. Este modelo tiene buena capacidad para manejar problemas no lineales. La red neuronal BP tiene una capa de entrada, una capa oculta y una capa de salida. Está teóricamente demostrado que la red neuronal BP de capa oculta puede lograr cualquier mapeo no lineal y puede satisfacer las necesidades de la mayoría de las ocasiones.
(2) Configuración de los nodos neuronales del modelo BP
Este artículo adopta la estructura estándar de la red neuronal BP, que incluye una capa de entrada, una capa oculta y una capa de salida. Entre ellos, el número de nodos de la capa de entrada es 13, que está determinado por el número de indicadores de entrada, el número de nodos de la capa de salida es 1, donde el valor de la plataforma sana es 0 y el valor de la plataforma problemática es 1.
El número de nodos en la capa oculta está relacionado con el número de unidades neuronales en la capa de entrada y el número de unidades neuronales en la capa de salida. Sin embargo, actualmente no existe una buena base para la determinación y es difícil determinar el número de nodos de capa oculta en función de la tarea. Por lo tanto, se basa principalmente en experiencias exitosas pasadas. La fórmula empírica general es: L = log2n, donde n es el número de nodos de entrada, por lo que el número de nodos de la capa oculta es 3.
(3) Configuración de parámetros del modelo BP
Después de determinar la capa de salida, la capa oculta y los nodos de la capa de salida del modelo de red neuronal BP, es necesario determinar la función de transferencia y entrenamiento de la red neuronal Target. Las funciones de transferencia no lineales se dividen principalmente en Log-sigmoide y Tan-sigmoide.
El valor de entrada del tipo Log-sigmoide puede tomar cualquier valor y el rango de valores de salida es (0, 1). El valor de entrada del tipo Tan-sigmoide puede tomar cualquier valor y el rango de valores de salida es (-1, 1). La salida y la salida de la función de transferencia lineal pureline pueden tomar cualquier valor. Dado que los valores de salida en este artículo son todos números positivos, la función de propagación de la capa de entrada es la función log-sigmoidea y la función de propagación de la capa de salida es la función de línea pura. Los criterios de error aceptables son ε = 0,1, el número de tiempos de entrenamiento es 100.000, la tasa de aprendizaje es 0,2 y el factor de impulso es 0,1.
5. Entrenamiento y pruebas de la red neuronal BP en Python.
Este artículo hace referencia exhaustiva a varios sitios web de calificación de plataformas de préstamos en línea como Wangdaizhijia, considera y selecciona exhaustivamente 11 plataformas de préstamos en línea de alta calidad como muestras de bajo riesgo y selecciona 6 plataformas que acaban de ser atacadas. recientemente como muestras de alto riesgo. Se seleccionan aleatoriamente dos muestras de bajo riesgo y dos de alto riesgo como muestras de prueba, y las 13 restantes se utilizan como muestras de entrenamiento. El entrenamiento y pruebas de la red se realizan a través de Python. Al clasificar, se puede obtener una matriz de 17 × 13. Para eliminar las diferencias de orden de magnitud entre indicadores y minimizar los errores de predicción, se normalizaron los datos originales. Los valores de entrada del modelo de entrenamiento normalizado se muestran en la Tabla 3 y los valores de entrada del modelo de detección se muestran en la Tabla 4.
Para el modelo de red BP entrenado, utilice los valores de entrada de entrenamiento para probar la red BP establecida. Los resultados de salida se muestran en la Tabla 5:
A partir de los resultados de la prueba, el salida de prueba Está muy cerca del valor de salida esperado, con una precisión del 100%, y el error de datos entre los dos cumple con los requisitos de error. Por lo tanto, el modelo de red neuronal de BP establecido tiene buenas capacidades de evaluación de riesgos y puede usarse para monitorear la industria de préstamos en línea para lograr el propósito de advertir de riesgos.
Resultados de la investigación sobre verbos intransitivos
La construcción de un modelo científico y eficaz de alerta temprana de riesgos para plataformas de préstamos en línea puede realizar rápidamente investigaciones preliminares sobre plataformas de préstamos en línea e identificar y advertir sobre préstamos en línea de alto riesgo. plataformas lo antes posible, tomar medidas de prevención y mitigación de riesgos. Los modelos matemáticos tradicionales utilizan principalmente estadísticas matemáticas y regresión logística para la predicción, que no son adecuadas para advertir de riesgos de nuevos modelos financieros, como las plataformas de préstamos en línea. Además, el modelo tradicional se basa demasiado en datos estadísticos oficiales históricos y las leyes y regulaciones pertinentes de las plataformas de préstamos en línea no son perfectas. La plataforma en sí puede modificar los datos a voluntad ajustando el puerto estadístico, lo que provoca el modelo de alerta temprana. fracasar. Este artículo utiliza una gran cantidad de datos públicos en línea, que las plataformas de préstamos en línea no pueden modificar. Aunque no puede reflejar intuitivamente el estado de riesgo de la plataforma, la autenticidad de los datos en sí puede garantizar que el modelo de alerta temprana sea científico y eficaz. Además, dado que no existe un umbral para obtener datos públicos, la dificultad de utilizar el modelo se reduce considerablemente. La ventaja de las redes neuronales es que reflejan relaciones complejas y no intuitivas entre datos. Por lo tanto, este artículo utiliza audazmente datos públicos y este modelo puede incluso convertirse en una herramienta de seguimiento de riesgos para la gente corriente en las plataformas de préstamos en línea. Si puede usarse ampliamente, definitivamente obligará a las plataformas de préstamos en línea a estandarizarlo y normalizarlo activamente, permitiendo que las plataformas de préstamos en línea avancen activamente hacia la jaula de supervisión y eliminen por completo eventos adversos como tormentas eléctricas en grandes plataformas, el escape de controladores reales y peticiones de inversores.
Materiales de referencia:
Zou Chuanwei y Xie Ping. Investigación sobre el modelo financiero de Internet[J]. Investigación financiera, 2012(12).
[2]Wang Zheng. Análisis de riesgos financieros de Internet de China y medidas preventivas [J] Times Finance, 2014, (8).
[3]Yicao. Sobre el fortalecimiento de la supervisión de las plataformas de préstamos entre pares P2P [J] Supervisión financiera, 2011(4).
[4] Chen Zhaohui, Zhang Yanfang. Investigación sobre el modelo de alerta temprana de riesgos de bancos comerciales basado en la red neuronal de BP [J] Journal of Fujian University of Business, 2011(2).
[5] Tan Keyou. Modelo de red neuronal y predicción de quiebras bancarias[J Omega, 1991(5).
[6] Yang Qunhua. Investigación sobre los riesgos especiales de las finanzas de Internet en China y su prevención [J Financial Technology Times, 2013 (7).
[7]Guo Yingying. Una revisión de los modelos de alerta temprana de crisis financieras nacionales y extranjeras [J] Scientific Decision Making, 2013(10).
[8]Zhang Yumei. Investigación sobre el modelo de pequeños préstamos en línea P2P [J]. Productivity Research, 2010 (12).
Bienvenido a la Infraestructura Nacional de Conocimiento de China ~ Lectura y referencia del texto original de la revista de la industria comercial y empresarial moderna.
Sitio web oficial:/
Preguntas y respuestas relacionadas: ¿Cómo desarrollar un sistema de crédito p2p? Identifique sus objetivos y recopile información relevante. Se ha determinado el objetivo de construir una plataforma de préstamos P2P entre pares y es necesario recopilar información relevante. Por ejemplo, la construcción de la plataforma de información crediticia p2p Dimon, las necesidades de los usuarios de la plataforma del sistema de información crediticia p2p, las perspectivas de desarrollo de la plataforma del sistema de información crediticia, etc. La finalidad de la recogida de información relevante es: 1. Sitio web de planificación: cómo desarrollar y producir software de plataforma de crédito p2p y qué contenidos puede incluir. 2. Experiencia del usuario: comprenda las necesidades de los usuarios y comience desde la perspectiva del usuario, y la experiencia será mejor. Realizar un plan de desarrollo del programa de plataforma de crédito p2p. En esta etapa, es necesario calcular la mano de obra, los recursos materiales, los costos y el tiempo necesarios para el desarrollo de toda la plataforma de crédito p2p, así como el diagrama de arquitectura, los módulos, la producción de bases de datos, etc. de toda la plataforma de crédito. solución. Este paso es más importante. Si lo haces bien, podrás obtener el doble de resultado con la mitad de esfuerzo. Según el plan, se lanzó el sistema de plataforma de crédito p2p.
Diseño de páginas front-end, programación back-end, diseño de tablas de bases de datos, etc. Estos requieren los esfuerzos conjuntos de los equipos técnicos y de desarrollo. El código debe escribirse con cuidado, porque en el desarrollo y producción del sistema de plataforma de crédito p2p, cada error puede causar grandes pérdidas y cada vulnerabilidad del sistema puede provocar ataques de piratas informáticos. Por lo tanto, toda empresa de desarrollo de plataformas de crédito p2p debe contar con un sólido equipo de desarrollo técnico. En este paso, la cautela y la unidad son lo más importante.